劉一博，趙林海

(北京交通大學(xué) 電子信息工程學(xué)院, 北京 100044)

列車運(yùn)行控制系統(tǒng)是保障行車安全和提高運(yùn)輸效率的重要設(shè)備。作為列車運(yùn)行控制系統(tǒng)核心設(shè)備之一的ZPW-2000系列無絕緣軌道電路(Jointless Track Circuit，JTC)，主要用于實(shí)現(xiàn)列車占用檢查和地-車間相應(yīng)控制信息的連續(xù)傳輸。一旦其發(fā)生故障，將會(huì)影響行車效率，甚至危及行車安全[1]。對(duì)此，我國研發(fā)出相應(yīng)的信號(hào)集中監(jiān)測(Centralized Signal Monitoring，CSM)系統(tǒng)，可以對(duì)包含JTC在內(nèi)的設(shè)備運(yùn)行參數(shù)和電氣性能進(jìn)行連續(xù)監(jiān)測和趨勢分析[2]。但在實(shí)際應(yīng)用中，CSM的作用并沒有得到充分發(fā)揮，同時(shí)還存在無效報(bào)警較多、故障報(bào)警后仍需現(xiàn)場維修人員逐個(gè)分析判斷具體故障點(diǎn)、監(jiān)測報(bào)警上下限設(shè)置無統(tǒng)一標(biāo)準(zhǔn)等不足[3]。如何充分利用好CSM系統(tǒng)，克服其現(xiàn)有不足，提升其對(duì)JTC的監(jiān)測和診斷水平，已經(jīng)成為目前的研究熱點(diǎn)。

CSM系統(tǒng)對(duì)JTC進(jìn)行智能分析的診斷理念于2008年被提出[4]。之后，文獻(xiàn)[5]提出了基于信息融合的JTC故障診斷方法。文獻(xiàn)[6]提出了將基于監(jiān)測數(shù)據(jù)的BP-LM-PSO-GA混合算法用于JTC故障診斷，以解決單獨(dú)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)帶來的運(yùn)算量問題。文獻(xiàn)[7]提出了基于決策樹的JTC故障診斷方法。文獻(xiàn)[8]提出了基于最小二乘支持向量機(jī)的診斷方法。文獻(xiàn)[9]提出了基于模糊推理的JTC故障診斷算法，能對(duì)發(fā)送端模擬網(wǎng)絡(luò)斷路等17種故障進(jìn)行診斷。文獻(xiàn)[10]結(jié)合決策樹算法和專家系統(tǒng)，基于CSM系統(tǒng)監(jiān)測數(shù)據(jù)對(duì)JTC進(jìn)行故障診斷，并對(duì)決策樹算法的連續(xù)屬性離散化過程作了優(yōu)化，提高了運(yùn)算效率。文獻(xiàn)[11]提出了基于粒子群支持向量機(jī)的JTC故障診斷模型，將粒子群算法用于支持向量機(jī)的參數(shù)優(yōu)化，使其故障診斷率高于普通的SVM模型。文獻(xiàn)[12]提出了基于模糊認(rèn)知圖模型的JTC故障診斷方法，隨后文獻(xiàn)[13]結(jié)合模糊認(rèn)知圖與粗糙集，利用模糊認(rèn)知圖構(gòu)建出了基于屬性約簡和模糊認(rèn)知圖的故障分類器，并通過自適應(yīng)遺傳算法實(shí)現(xiàn)了模糊認(rèn)知圖權(quán)重的設(shè)定。

綜合分析以上各文獻(xiàn)可以得出：①文獻(xiàn)[5，7-8，10-13]只能實(shí)現(xiàn)軌道電路10種以下故障的粗定位，即只能將故障劃定在軌道電路中一個(gè)較大的范圍內(nèi)，要實(shí)現(xiàn)故障診斷，還需要相應(yīng)維修人員基于此范圍進(jìn)行進(jìn)一步的故障排查，故這些方法的維修效率不高；②文獻(xiàn)[5-13]的算法訓(xùn)練樣本均來自于鐵路現(xiàn)場，而由于現(xiàn)場不同故障的發(fā)生頻次差別很大，故會(huì)導(dǎo)致發(fā)生次數(shù)少的故障缺乏訓(xùn)練樣本，沒有發(fā)生過的故障，即未知故障，則沒有機(jī)會(huì)得到訓(xùn)練，從而無法實(shí)現(xiàn)其故障診斷。

針對(duì)以上問題，本文基于JTC和CSM系統(tǒng)的基本結(jié)構(gòu)和功能原理，首先對(duì)CSM系統(tǒng)的監(jiān)測數(shù)據(jù)進(jìn)行建模，通過半實(shí)物平臺(tái)對(duì)仿真數(shù)據(jù)進(jìn)行驗(yàn)證；然后，針對(duì)故障粗定位和故障樣本有限的不足，采用故障注入技術(shù)[14]，利用所建模型，采用人工方式有意識(shí)地主動(dòng)產(chǎn)生故障，實(shí)現(xiàn)對(duì)JTC典型故障模式下CSM監(jiān)測數(shù)據(jù)的仿真，以此建立故障特征集，從而有效增加故障樣本類型和數(shù)量；最后，針對(duì)未知故障的處理難題，制定JTC故障智能診斷策略，基于隨機(jī)森林模型設(shè)計(jì)相應(yīng)的故障診斷算法。實(shí)驗(yàn)表明，本文算法具有診斷范圍精準(zhǔn)、算法泛化性高、對(duì)未知故障具有一定智能處理能力等優(yōu)點(diǎn)，能夠提升CSM系統(tǒng)對(duì)JTC的故障診斷性能。

1 JTC與CSM系統(tǒng)

JTC和CSM系統(tǒng)的基本結(jié)構(gòu)與工作原理示意見圖1。

JTC可分為發(fā)送端設(shè)備、主軌和小軌的接收端設(shè)備以及軌道線路。發(fā)送端設(shè)備主要包括發(fā)送器、發(fā)送電纜、發(fā)送端匹配變壓器和發(fā)送端調(diào)諧區(qū)等；主軌接收端設(shè)備主要包括包含衰耗器的主軌接收器、接收電纜、接收端匹配變壓器和接收端調(diào)諧區(qū)等；小軌接收端設(shè)備和主軌接收端設(shè)備結(jié)構(gòu)一致,并與發(fā)送端共用調(diào)諧區(qū)；軌道線路主要包括鋼軌和鋼軌間并聯(lián)的補(bǔ)償電容等；調(diào)諧區(qū)由兩根鋼軌，以及并聯(lián)在鋼軌間的2個(gè)調(diào)諧單元BA1、BA2和1個(gè)空心線圈SVA構(gòu)成[15]。

JTC信號(hào)Ufb(t)由發(fā)送器產(chǎn)生，經(jīng)發(fā)送電纜、發(fā)送匹配變壓器和發(fā)送端調(diào)諧區(qū)，在軌道線路無車時(shí)，一部分信號(hào)沿軌道線路向主軌接收端的接收器1傳送，另一部分信號(hào)向小軌接收端的接收器2傳送，最終主軌和小軌的接收器分別對(duì)所接收的信號(hào)進(jìn)行處理。這里，Ufb(t)的數(shù)學(xué)表達(dá)式[16]為

(1)

式中：Amfb、fc、Δfp、φ0分別為Ufb(t)的振幅、載頻頻率、頻率偏移度(頻偏)、初始相位；sm(t)為占空比為1∶1、頻率為fd的方波調(diào)制信號(hào)。

在CSM系統(tǒng)中，采集機(jī)實(shí)時(shí)采集JTC的狀態(tài)信息，并由車站站機(jī)負(fù)責(zé)對(duì)其采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理、分析和存儲(chǔ)，再通過網(wǎng)絡(luò)設(shè)備將相關(guān)數(shù)據(jù)傳送至電務(wù)段；各鐵路局集團(tuán)有限公司和中國國家鐵路局集團(tuán)有限公司負(fù)責(zé)建立相關(guān)通信連接和數(shù)據(jù)交換，以便相關(guān)人員實(shí)時(shí)查看和分析[17]。CSM系統(tǒng)對(duì)JTC的監(jiān)測點(diǎn)共有6個(gè)，如圖1所示，分別是發(fā)送電纜設(shè)備側(cè)電壓Ufb(t)、發(fā)送電纜電纜側(cè)電壓Ufd(t)、主軌接收電纜電纜側(cè)電壓Ujd(t)、主軌接收電纜設(shè)備側(cè)電壓Ujb(t)、主軌接收器接收電壓Uzj(t)和小軌接收器接收電壓Uxj(t)。

2 CSM系統(tǒng)監(jiān)測數(shù)據(jù)的建模及驗(yàn)證

2.1 CSM系統(tǒng)監(jiān)測數(shù)據(jù)的建模

基于傳輸線理論[18]，對(duì)JTC調(diào)整狀態(tài)下CSM系統(tǒng)監(jiān)測數(shù)據(jù)進(jìn)行建模，見圖2。

圖2 CSM系統(tǒng)監(jiān)測數(shù)據(jù)模型

發(fā)送電纜設(shè)備側(cè)電壓Ufb(t)，即發(fā)送器輸出的信號(hào)。

發(fā)送電纜電纜側(cè)電壓Ufd(t)為

Ufd(t)=Ufb(t)/|Nscb11+Nscb12/Zscb|

(2)

(3)

(4)

(5)

主軌接收電纜電纜側(cè)電壓Ujd(t)可以通過發(fā)送電纜到主軌接收端匹配變壓器的等效四端網(wǎng)絡(luò)模型Njd推導(dǎo)得到，即

Ujd(t)=Ufb(t)/|Njd11+Njd12/Zrm|

(6)

(7)

(8)

(9)

主軌接收電纜設(shè)備側(cè)電壓Ujb(t)可以通過發(fā)送電纜到主軌接收電纜的等效四端網(wǎng)絡(luò)模型Njb推導(dǎo)得到，即

(10)

式中：Njb11、Njb12為Njb的特性參數(shù)，即

(11)

主軌接收器接收電壓Uzj(t)，由衰耗器的工作原理可知

Uzj(t)=Ujb(t)/nz

(12)

式中：nz為主軌接收端衰耗器初級(jí)線圈與對(duì)應(yīng)次級(jí)線圈的匝數(shù)比，其值為常數(shù)。

小軌接收器接收電壓Uxj(t)可以通過發(fā)送電纜到小軌接收電纜的等效四端網(wǎng)絡(luò)模型Nxj推導(dǎo)得到，即

(13)

(14)

最終,分別提取Ux(t)∈{Ufb(t),Ufd(t),Ujd(t),Ujb(t),Uzj(t),Uxj(t)}的有效值A(chǔ)x∈{Afb,Afd,Ajd,Ajb,Azj,Axj}，即Ux(t)在一個(gè)周期T≈1/fc內(nèi)的方根均值為

(15)

2.2 基于JTC半實(shí)物仿真平臺(tái)的模型驗(yàn)證

基于JTC的半實(shí)物仿真平臺(tái)主要包括：ZPW-2000無絕緣軌道電路的發(fā)送器、接收器、衰耗器，以及發(fā)送端和接收端的匹配變壓器、調(diào)諧單元、空心線圈等實(shí)際設(shè)備；電纜采用專用模擬電纜網(wǎng)絡(luò)；鋼軌線路采用專用軌道模擬盤。仿真平臺(tái)主要參數(shù)：發(fā)送電平3級(jí)，載頻2 600 Hz，傳輸電纜總長度10 km，鋼軌線路長度1 229 m，補(bǔ)償電容數(shù)量15個(gè)，容值40 μF，道砟電阻2.0 Ω·km。

首先，利用萬用表Fluke 8842A采集并測試圖1中6個(gè)監(jiān)測點(diǎn)的信號(hào)電壓有效值A(chǔ)fb、Afd、Ajd、Ajb、Azj、Axj；然后，將其分別與式(1)、式(2)、式(6)、式(10)、式(12)、式(13)的仿真模型進(jìn)行對(duì)比，對(duì)比結(jié)果見表1。

表1 基于半實(shí)物平臺(tái)的測量值與基于仿真模型的仿真值及其誤差

由表1可以得出，JTC半實(shí)物平臺(tái)的測量值與基于本文模型的仿真值較為接近，其最大相對(duì)誤差小于6%，最大絕對(duì)誤差小于3 V。表明本文所建立模型可以準(zhǔn)確表征各監(jiān)測點(diǎn)的電壓模型。

3 基于隨機(jī)森林的JTC故障智能診斷方法

3.1 診斷算法設(shè)計(jì)

為了達(dá)到故障定位精準(zhǔn)以及能有效處理未知故障的目的，本文提出一種基于隨機(jī)森林的智能診斷算法，其結(jié)構(gòu)框架見圖3，主要包括特征提取和算法訓(xùn)練兩部分。

圖3 JTC故障智能診斷算法結(jié)構(gòu)框架

特征提取：根據(jù)不同故障模式對(duì)CSM系統(tǒng)監(jiān)測數(shù)據(jù)的影響規(guī)律，一方面，針對(duì)現(xiàn)有研究中的故障定位精度不高和故障樣本有限等不足，采用故障注入技術(shù)[14]，通過設(shè)置各元器件故障值，仿真模擬JTC典型故障模式下的CSM監(jiān)測數(shù)據(jù)，并對(duì)仿真結(jié)果進(jìn)行有效值特征提取，以構(gòu)建用于訓(xùn)練故障診斷初始模型的故障特征集，有效增加故障樣本類型和數(shù)量；另一方面，對(duì)于現(xiàn)場實(shí)時(shí)的CSM監(jiān)測數(shù)據(jù)，基于同樣的規(guī)則提取數(shù)據(jù)的有效值特征。

算法訓(xùn)練與診斷：基于故障特征集生成隨機(jī)森林初始模型，通過訓(xùn)練確定隨機(jī)森林參數(shù)及閾值，針對(duì)未知故障的處理難題，制定包含再訓(xùn)練過程的JTC故障智能診斷策略。對(duì)實(shí)時(shí)監(jiān)測數(shù)據(jù)提取的特征，經(jīng)過JTC故障診斷模型后，輸出診斷結(jié)果及相應(yīng)指標(biāo)，根據(jù)指標(biāo)值是否大于閾值決定模型是否進(jìn)入再訓(xùn)練過程。當(dāng)指標(biāo)值大于閾值時(shí)，診斷JTC狀態(tài)為典型故障并直接輸出診斷結(jié)果；否則，將診斷結(jié)果作誤判或未知故障處理，進(jìn)入再訓(xùn)練過程，請(qǐng)求現(xiàn)場人員評(píng)判故障類型，利用現(xiàn)場評(píng)判結(jié)果及相應(yīng)的監(jiān)測數(shù)據(jù)特征，重新訓(xùn)練故障診斷模型，從而提高模型對(duì)該種故障的敏感性，使其不斷完善。

3.2 JTC故障特征集的構(gòu)建

根據(jù)現(xiàn)場調(diào)研和JTC的故障致因分析[19]，本文將JTC故障劃分為室內(nèi)設(shè)備故障、室外設(shè)備故障、電纜故障、鋼軌線路故障等。其中，室內(nèi)外設(shè)備故障主要易出現(xiàn)斷線、發(fā)送器發(fā)送電壓偏小或偏大、匹配變壓器參數(shù)值偏小等情況；電纜故障主要易出現(xiàn)斷線和模擬網(wǎng)絡(luò)參數(shù)值偏小等情況；鋼軌線路故障主要易出現(xiàn)補(bǔ)償電容值偏小或斷線以及道砟電阻偏小或偏大的情況。最終總結(jié)出31種JTC典型故障，見表2。

表2 JTC典型故障類型分布表

考慮到故障特征集的完備性，基于上述模型對(duì)31種故障各仿真40組數(shù)據(jù)，提取特征，以構(gòu)建故障特征集D。令#D為集合D中元素的數(shù)目，則#D=31×40=1 240。從#D個(gè)樣本中分層隨機(jī)抽取60%作為訓(xùn)練集DT訓(xùn)練隨機(jī)森林模型，20%作為驗(yàn)證集DV用于模型調(diào)參，20%作為測試集DE評(píng)估性能。

3.3 隨機(jī)森林初始模型的生成與再訓(xùn)練

隨機(jī)森林[20]是一個(gè)由多個(gè)樹分類器構(gòu)成的現(xiàn)代機(jī)器學(xué)習(xí)算法，具有計(jì)算開銷小、泛化性能好等特點(diǎn)。因?yàn)閿?shù)值縮放對(duì)樹模型的結(jié)構(gòu)不造成影響，所以也無需對(duì)特征集作歸一化處理。隨機(jī)森林模型示意見圖4。

圖4 隨機(jī)森林模型示意

圖4中，每棵決策樹根據(jù)輸入特征A=[AfbAfdAjdAjbAzjAxj]輸出故障結(jié)果對(duì)應(yīng)的編號(hào)e，最后通過結(jié)合策略得到隨機(jī)森林模型的輸出。本文選取的隨機(jī)森林基分類器為CART決策樹，該樹為二叉樹，使用Gini指數(shù)計(jì)算結(jié)點(diǎn)的純度，運(yùn)算速度快。一棵決策樹包含一個(gè)根結(jié)點(diǎn)、若干個(gè)內(nèi)部結(jié)點(diǎn)和若干個(gè)葉結(jié)點(diǎn)；葉結(jié)點(diǎn)對(duì)應(yīng)于故障診斷結(jié)果的編號(hào)e，其他每個(gè)結(jié)點(diǎn)則對(duì)應(yīng)于一個(gè)特征測試；每個(gè)結(jié)點(diǎn)包含的樣本集合根據(jù)特征測試的結(jié)果被劃分到子結(jié)點(diǎn)中；根結(jié)點(diǎn)包含樣本全集[21]。

隨機(jī)森林初始模型的生成流程見圖5。其特點(diǎn)主要是訓(xùn)練樣本有放回隨機(jī)抽取以及待選特征集隨機(jī)組成兩個(gè)隨機(jī)特性。具體流程如下：

圖5 隨機(jī)森林初始模型的生成流程

Step1生成根結(jié)點(diǎn)樣本集Dt。

利用自助法隨機(jī)抽取技術(shù)[22]，從訓(xùn)練集DT中有放回地隨機(jī)抽取等量m個(gè)樣本，構(gòu)建單棵決策樹的訓(xùn)練集Dt，即根結(jié)點(diǎn)的樣本集。

DT={(Ai,ei)|i=1,…,m}

(16)

Ai=[Afb,iAfd,iAjd,iAjb,iAzj,iAxj,i]

(17)

ei∈{1,2,…,n}

(18)

式中：Ai為第i個(gè)訓(xùn)練樣本的監(jiān)測數(shù)據(jù)特征；ei為第i個(gè)訓(xùn)練樣本的故障編號(hào)。

Step2生成待選特征集F。

若結(jié)點(diǎn)分裂不會(huì)使該決策樹超過其最大深度g的限制，則從d=6個(gè)電壓特征中隨機(jī)抽取k個(gè)不同的特征生成待選特征集F，即

F?{Afb,Afd,Ajd,Ajb,Azj,Axj}∧(#F=k)

(19)

通常，令k=log2d[20]；否則，遍歷其他未遍歷過的結(jié)點(diǎn)。

Step3選擇最優(yōu)劃分特征A*和最優(yōu)劃分點(diǎn)r*。

A*的選擇基于結(jié)點(diǎn)純度最高原則，使用Gini指數(shù)來度量樣本集合的純度。分析即將進(jìn)行分支的根結(jié)點(diǎn)，其包含的故障特征集Dt的Gini值定義為

(20)

式中：Cj為Dt中故障編號(hào)為j的子集，即

Cj={(Ai,ei)∈Dt|ei=j}

(21)

考慮到本文的電壓特征為連續(xù)特征，所以在計(jì)算不同劃分方式對(duì)應(yīng)的Gini指數(shù)時(shí)，利用二分法處理機(jī)制[23]先將特征離散化。對(duì)于故障特征集Dt和某一監(jiān)測數(shù)據(jù)特征

Ax∈{Afb,Afd,Ajd,Ajb,Azj,Axj}

(22)

假定Ax在Dt上出現(xiàn)了q個(gè)不同的取值，將這些值從小到大進(jìn)行排序，記為

(23)

(24)

(25)

對(duì)連續(xù)特征Ax，在RAx中選取其最優(yōu)劃分點(diǎn)r*。

結(jié)合式(20)，通過計(jì)算Dt基于Ax劃分的Gini指數(shù)Gini_i(Dt,Ax)來確定最優(yōu)劃分點(diǎn)r*，即

(26)

(27)

式中：Gini_i(Dt,Ax,r)為樣本集Dt基于劃分點(diǎn)r二分后的Gini指數(shù)；r*為使Gini_i(Dt,Ax,r)最大化的劃分點(diǎn)。在樣本集Dt中，每個(gè)特征Ax都對(duì)應(yīng)一個(gè)最優(yōu)劃分點(diǎn)r*。

在待選特征集F中，選擇使得Gini_i(Dt,Ax)最小的特征作為最優(yōu)劃分特征A*，即

(28)

其對(duì)應(yīng)劃分后的樣本集合純度最高，從而確定了最優(yōu)劃分特征A*及對(duì)應(yīng)的最優(yōu)劃分點(diǎn)r*。

Step4生成子結(jié)點(diǎn)與葉結(jié)點(diǎn)。

結(jié)點(diǎn)根據(jù)上述過程確定的A*、t*進(jìn)行分裂，若產(chǎn)生的兩個(gè)子結(jié)點(diǎn)包含的樣本數(shù)量均滿足設(shè)定的葉結(jié)點(diǎn)最小樣本數(shù)b的條件，則生成這兩個(gè)子結(jié)點(diǎn)；否則，不進(jìn)行分裂，遍歷其他未遍歷過的結(jié)點(diǎn)進(jìn)行分裂，即

(29)

當(dāng)子結(jié)點(diǎn)滿足Gini(·)=0或者包含的樣本數(shù)量小于設(shè)定的拆分內(nèi)部結(jié)點(diǎn)所需的最小樣本數(shù)c等結(jié)點(diǎn)停止分裂條件時(shí)，該子結(jié)點(diǎn)成為葉結(jié)點(diǎn)，繼續(xù)遍歷其他未遍歷過的結(jié)點(diǎn)進(jìn)行分裂；否則，該結(jié)點(diǎn)繼續(xù)分裂，即

(30)

Step5存儲(chǔ)決策樹與生成隨機(jī)森林。

當(dāng)遍歷完所有的結(jié)點(diǎn)后，存儲(chǔ)該決策樹。當(dāng)決策樹數(shù)目達(dá)到隨機(jī)森林所要求的規(guī)模s時(shí)，生成隨機(jī)森林初始模型；否則，繼續(xù)生成下一棵決策樹。

(31)

(32)

(33)

隨機(jī)森林最終輸出不同j對(duì)應(yīng)Hj(A)中的最大預(yù)測概率H*(A)及對(duì)應(yīng)的故障編號(hào)j*(A)，即

(34)

Step6故障診斷模型的再訓(xùn)練。

從圖3可知，針對(duì)未知故障的處理難題，故障診斷模型會(huì)參與一個(gè)再訓(xùn)練過程。該過程有一個(gè)閾值θ，實(shí)時(shí)監(jiān)測數(shù)據(jù)經(jīng)過特征提取與JTC故障診斷模型后，輸出診斷結(jié)果j*及相應(yīng)指標(biāo)H*。當(dāng)指標(biāo)H*≥θ時(shí)，直接輸出對(duì)應(yīng)的診斷結(jié)果j*；當(dāng)H*<θ時(shí)，則進(jìn)入再訓(xùn)練過程，結(jié)合現(xiàn)場判斷的JTC實(shí)際故障類型編號(hào)j#和對(duì)應(yīng)提取的特征A#構(gòu)建輸入樣本(A#,j#)，添加到原訓(xùn)練集DT中，重新訓(xùn)練隨機(jī)森林模型。

3.4 隨機(jī)森林參數(shù)和閾值θ的確定

隨機(jī)森林模型對(duì)JTC的診斷性能主要取決于森林的規(guī)模s、樹的最大深度g、葉結(jié)點(diǎn)最小樣本數(shù)b、拆分內(nèi)部結(jié)點(diǎn)所需的最小樣本數(shù)c這4個(gè)參數(shù)。在上述模型訓(xùn)練過程中，已知本文中單棵決策樹訓(xùn)練樣本數(shù)目m= #D×60%=744，故障類型數(shù)n=31。

針對(duì)驗(yàn)證集DV上的模型準(zhǔn)確率a(DV)，對(duì)上述4個(gè)參數(shù)進(jìn)行隨機(jī)搜索，最終a(DV)達(dá)到99.44%，對(duì)應(yīng)s=70，g=9，b=13，c=14。模型準(zhǔn)確率a(DV)為驗(yàn)證集DV中經(jīng)過模型后預(yù)測的診斷結(jié)果j*正確的樣本占比，即

(35)

(36)

在測試集DE上模型準(zhǔn)確率a(DE)達(dá)到了98.25%，表明模型有較好的泛化性能。

基于DE，引入本文算法中的再訓(xùn)練過程，對(duì)閾值θ的取值進(jìn)行確定。分別計(jì)算θ由0到1、步長為0.01的算法準(zhǔn)確率aθ(DE)。與a(DE)稍有不同，aθ(DE)為DE中輸出指標(biāo)H*達(dá)到閾值θ且預(yù)測的診斷結(jié)果j*正確的樣本占比，即

χ[j*(Ai)=ei)]

(37)

(38)

不同閾值θ下算法準(zhǔn)確率aθ曲線見圖6。可以看出，θ在[0,0.5]區(qū)間時(shí)，算法準(zhǔn)確率保持在較高水平，均在97.14%以上，最高可達(dá)99.21%；虛警率FAθ(DE)和漏報(bào)率MAθ(DE)均為0；對(duì)于鋼軌線路的故障存在少數(shù)例拒絕識(shí)別的情況，但它們的指標(biāo)對(duì)應(yīng)的診斷結(jié)果均是正確的，只是沒達(dá)到θ，所以它們并沒有被錯(cuò)分到其他故障類型。

圖6 測試集DE在不同閾值θ下的算法準(zhǔn)確率aθ曲線

FAθ(DE)和MAθ(DE)均考慮了θ的作用，即

χ(j*(Ai)≠1))

(39)

χ[j*(Ai)=1)]

(40)

由此可見，通過加入一個(gè)再訓(xùn)練過程對(duì)隨機(jī)森林模型進(jìn)行改進(jìn)，在DE上的算法準(zhǔn)確率aθ已經(jīng)可以超過再訓(xùn)練之前的模型準(zhǔn)確率a。顯然，在保證較高aθ的同時(shí)，θ越大，算法輸出結(jié)果對(duì)應(yīng)的最大預(yù)測概率越高，即可以使結(jié)果更加可信。通過本文的分析結(jié)果，閾值θ設(shè)置為0.4。針對(duì)不同的實(shí)際情況，閾值θ通過在算法準(zhǔn)確率和輸出結(jié)果可信度之間的權(quán)衡進(jìn)行調(diào)整。

4 基于JTC半實(shí)物仿真平臺(tái)的算法驗(yàn)證

4.1 功能測試

4.1.1 已知故障

采用故障注入技術(shù)，在半實(shí)物平臺(tái)上人工模擬JTC故障9，即使發(fā)送端調(diào)諧區(qū)BA1發(fā)生斷線。通過對(duì)CSM系統(tǒng)監(jiān)測數(shù)據(jù)進(jìn)行有效值特征提取，得到數(shù)據(jù)Afb、Afd、Ajd、Ajb、Azj、Axj分別為137.71、45.39、3.67、0.47、0.24、4.71 V。

將數(shù)據(jù)A=[AfbAfdAjdAjbAzjAxj]傳入訓(xùn)練好的隨機(jī)森林模型的每棵決策樹中，根據(jù)每個(gè)結(jié)點(diǎn)的劃分條件逐級(jí)傳遞，直到到達(dá)葉結(jié)點(diǎn)。根據(jù)式(33)輸出A屬于不同故障編號(hào)j對(duì)應(yīng)狀態(tài)類型的預(yù)測概率Hj(A)，對(duì)n個(gè)概率從大到小依次排序，前5位分別為H9(A)、H10(A)、H8(A)、H22(A)、H12(A)，它們的值分別為0.425、0.156、0.107、0.054、0.051。

根據(jù)式(34)模型輸出最大值H*(A)=H9(A)及對(duì)應(yīng)的狀態(tài)類型j*(A)=9。通過閾值判斷，H*(A)≥θ(θ=0.4)條件成立，判斷出此時(shí)JTC故障為對(duì)應(yīng)于故障編號(hào)為9的狀態(tài)類型。這與半實(shí)物平臺(tái)實(shí)際故障狀態(tài)一致，從而證明了本文所提算法對(duì)JTC典型故障診斷的有效性。

4.1.2 未知故障

通過半實(shí)物平臺(tái)獲取了4例本文仿真訓(xùn)練集中不包含的組合故障，見表3，其相應(yīng)的編號(hào)依次延伸。

表3 部分未知的組合故障類型

同樣將4組數(shù)據(jù)傳入模型，根據(jù)式(33)輸出4組數(shù)據(jù)屬于不同故障編號(hào)j對(duì)應(yīng)狀態(tài)類型的預(yù)測概率Hj(A)，對(duì)n個(gè)概率從大到小依次排序得到表4，同樣僅顯示前5位。

表4 不同未知故障n個(gè)概率Hj(A)從大到小排序后的前5位

根據(jù)式(34)，4組數(shù)據(jù)的模型輸出指標(biāo)H*(A)均不能滿足閾值判斷條件H*(A)≥θ，所以算法進(jìn)入再訓(xùn)練過程，用實(shí)際故障編號(hào)和輸入數(shù)據(jù)構(gòu)建輸入樣本，添加到原訓(xùn)練集DT中，重新生成隨機(jī)森林模型。

在半實(shí)物平臺(tái)再次獲取上述組合故障的不同測試樣本，得到不同閾值θ下的算法準(zhǔn)確率aθ曲線，見圖7。由圖7可以看出，θ在[0.35,0.42]區(qū)間時(shí)，算法已經(jīng)可以對(duì)該4種未知故障進(jìn)行精準(zhǔn)識(shí)別，與之前訓(xùn)練得到的閾值θ=0.4對(duì)應(yīng)。

圖7 部分未知故障數(shù)據(jù)集在不同閾值θ下的算法準(zhǔn)確率aθ曲線

4.2 性能驗(yàn)證

通過半實(shí)物平臺(tái)，利用故障注入技術(shù)，人為設(shè)置表2中傳輸電纜、調(diào)諧區(qū)調(diào)諧單元、空心線圈、補(bǔ)償電容、衰耗器等13種斷線故障的243組采集數(shù)據(jù)，構(gòu)建算法性能測試集。利用本文提出的故障診斷方法，對(duì)這些數(shù)據(jù)進(jìn)行診斷分析。不同閾值θ下算法準(zhǔn)確率aθ曲線見圖8。

圖8 實(shí)時(shí)監(jiān)測數(shù)據(jù)在不同閾值θ下的算法準(zhǔn)確率aθ曲線

由圖8可以看出，θ在[0.33,0.49]區(qū)間時(shí)，算法的準(zhǔn)確率處于較高水平，均在92.18%以上，與之前訓(xùn)練得到的閾值θ=0.4對(duì)應(yīng)；根據(jù)式(39)和式(40)，其虛警率和漏報(bào)率均為0；對(duì)于調(diào)諧區(qū)和鋼軌線路的故障分別存在少數(shù)例拒絕識(shí)別的情況，但由于其指標(biāo)對(duì)應(yīng)的診斷結(jié)果均是正確的，只是沒有達(dá)到θ，故這些故障并沒有被錯(cuò)分到其他故障類型。

進(jìn)一步，利用本文表2所示的31種故障類型數(shù)據(jù)，分別對(duì)文獻(xiàn)[5-13]所提方法的故障診斷結(jié)果進(jìn)行分類統(tǒng)計(jì)，其統(tǒng)計(jì)結(jié)果見圖9。

圖9 本文方法與現(xiàn)有研究可區(qū)分的故障類型數(shù)目對(duì)比

由圖9可知，對(duì)于表2所示的這31種故障，本文方法可實(shí)現(xiàn)完全有效區(qū)分；文獻(xiàn)[6]和文獻(xiàn)[9]將其劃分為17類；文獻(xiàn)[12]和文獻(xiàn)[13]劃分為9類；文獻(xiàn)[10]劃分為7類；文獻(xiàn)[5]、文獻(xiàn)[7]和文獻(xiàn)[8]劃分為6類；文獻(xiàn)[11]劃分為5類?？梢?，本文算法的故障識(shí)別度更高，能夠更精確地實(shí)現(xiàn)設(shè)備的故障定位，提高設(shè)備維修效率。

5 結(jié)論

JTC是列控系統(tǒng)的重要組成部分，CSM系統(tǒng)能夠?qū)崿F(xiàn)對(duì)JTC的自動(dòng)診斷。為進(jìn)一步提高CSM系統(tǒng)的診斷性能，本文基于CSM系統(tǒng)的工作原理，提出了一種基于隨機(jī)森林的JTC故障智能診斷方法。可得以下結(jié)論：

(1)通過傳輸線理論，對(duì)CSM系統(tǒng)的JTC數(shù)據(jù)采集過程進(jìn)行建模，并在JTC半實(shí)物仿真平臺(tái)上進(jìn)行了模型驗(yàn)證。

(2)利用所建模型，采用故障注入技術(shù)，對(duì)JTC典型故障模式下的CSM監(jiān)測數(shù)據(jù)進(jìn)行仿真，建立了故障特征集。

(3)最后，制定包含再訓(xùn)練過程的JTC故障智能診斷策略，設(shè)計(jì)了基于隨機(jī)森林的故障智能診斷算法。

(4)實(shí)驗(yàn)表明，本文算法基于CSM系統(tǒng)，在不增加額外采集點(diǎn)的情況下，能夠準(zhǔn)確定位JTC上31種典型故障，其故障分類識(shí)別能力優(yōu)于參考文獻(xiàn)中的現(xiàn)有算法，且準(zhǔn)確率達(dá)到92.18%。此外，本文算法對(duì)未知故障具有較高的智能診斷和學(xué)習(xí)能力。

綜上所述，本文算法具有故障定位準(zhǔn)確、識(shí)別度高和適應(yīng)性強(qiáng)等特點(diǎn)，能夠提升CSM系統(tǒng)對(duì)JTC的故障診斷性能。